CN113505698A - 基于对抗学习的人脸识别方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及智能决策技术，揭露了一种基于对抗学习的人脸识别方法，包括：对原始人脸图像集进行特征提取，得到特征数据集并进行分解，得到身份特征因子和年龄特征因子；分别将身份特征因子和年龄特征因子映射为身份规范变量和年龄规范变量并计算两者之间的相关系数；利用相关系数对对抗模型进行去相关性训练，得到训练好的标准对抗模型；将待识别人脸图像输入至标准对抗模型中，得到去相关图像，对去相关图像进行人脸识别，得到人脸识别结果。此外，本发明还涉及区块链技术，所述相关系数可存储于区块链的节点。本发明还提出一种基于对抗学习的人脸识别装置、电子设备以及计算机可读存储介质。本发明可以解决人脸识别的准确率较低的问题。

Description

基于对抗学习的人脸识别方法、装置、设备及介质

技术领域

本发明涉及智能决策技术领域，尤其涉及一种基于对抗学习的人脸识别方法、装置、电子设备及计算机可读存储介质。

背景技术

随着科技的飞速发展，人脸识别技术应用越来越广泛，例如，利用人脸识别进行APP登录，但是通过人脸识别进行登录时通常会受到年龄或者身份等其他特征的限制，由于身份特征和年龄特征通常具有一定程度上的关联性，例如，同一个人在不同年龄段的面部特征可能会有区别，识别人脸对应的身份时受年龄因素的影响较大，因此导致人脸识别结果并不可靠，进而影响人脸识别的准确率。

发明内容

本发明提供一种基于对抗学习的人脸识别方法、装置及计算机可读存储介质，其主要目的在于解决人脸识别的准确率较低的问题。

为实现上述目的，本发明提供的一种基于对抗学习的人脸识别方法，包括：

获取原始人脸图像集，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集；

对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子；

分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量；

根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数；

获取身份判别器和年龄判别器，根据所述身份判别器和所述年龄判别器构建对抗模型，并利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型；

获取待识别人脸图像，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，对所述去相关图像进行人脸识别，得到人脸识别结果。

可选地，所述利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型，包括：

根据所述身份判别器、所述年龄判别器和所述相关系数构建所述对抗模型的目标函数；

分别调整所述对抗模型中所述身份判别器和所述年龄判别器的模型参数，并将预获取的训练数据集输入至所述调整模型参数后的对抗模型中计算对应的目标函数值；

当所述目标函数对应的目标函数值小于或者等于预设阈值时，将对应的对抗模型输出为标准对抗模型。

可选地，所述目标函数包括：

其中，

为目标函数值，ρ为相关系数，

为所述标准特征提取模型，

为所述身份判别器，

为所述年龄判别器。

可选地，所述根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数，包括：

根据如下公式计算所述身份规范变量和所述年龄规范变量之间的相关系数：

其中，ρ为相关系数，v_id为身份规范变量，v_age为年龄规范变量，Cov为协方差，Var为方差。

可选地，所述对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，包括：

将所述特征数据集输入至预设的残差分解模块中，得到年龄特征因子；

对所述特征数据集和所述年龄特征因子进行差值处理，得到身份特征因子。

可选地，所述利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理之前，所述方法还包括：

获取训练样本集和所述训练样本集对应的身份标签和年龄标签；

将所述训练样本集输入至预构建的特征提取模型中，得到预测结果；

计算所述预测结果和预设的真实结果之间的损失值；

若所述损失值大于或者等于预设的损失阈值时，调整所述特征提取模型的模型参数并再次执行将所述训练样本集输入至调整模型参数后的特征提取模型的操作；

当所述损失值小于所述损失阈值时，将所述损失值对应的特征提取模型输出为标准特征提取模型。

可选地，所述获取待识别人脸图像，包括：

接收应用软件登录指令，启动摄像头获取待识别人脸图像。

为了解决上述问题，本发明还提供一种基于对抗学习的人脸识别装置，所述装置包括：

数据处理模块，用于获取原始人脸图像集，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集，对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量；

相关系数计算模块，用于根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数；

模型训练模块，用于获取身份判别器和年龄判别器，根据所述身份判别器和所述年龄判别器构建对抗模型，并利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型；

人脸识别模块，用于获取待识别人脸图像，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，对所述去相关图像进行人脸识别，得到人脸识别结果。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；及

处理器，执行所述存储器中存储的指令以实现上述所述的基于对抗学习的人脸识别方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于对抗学习的人脸识别方法。

本发明通过对原始人脸图像集进行特征提取，得到特征数据集，将特征数据集分解为身份特征因子和年龄特征因子，并获得身份特征因子和年龄特征因子各自对应的规范变量，基于规范变量可以确定所述身份规范变量和所述年龄规范变量之间的相关系数，利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型，利用该相关系数增加去相关性的约束，基于去相关性的对抗学习使得最终训练得到的对抗模型识别出的身份特征与年龄特征的相关性极低，由于身份特征和年龄特征的相互影响较低，在通过人脸识别到身份时受年龄特征影响较低，从而提高识别精度。将待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，所述去相关图像中身份特征与年龄特征的相关性接近于无，对所述去相关图像进行人脸识别，得到人脸识别结果，得到人脸识别结果将该对抗模型应用于人脸识别，由于能够准确分解出身份特征和年龄特征，因此，能够排除年龄干扰，提高人脸识别的准确率。因此本发明提出的基于对抗学习的人脸识别方法、装置、电子设备及计算机可读存储介质，可以解决人脸识别准确率较低的问题。

附图说明

图1为本发明一实施例提供的基于对抗学习的人脸识别方法的流程示意图；

图2为本发明一实施例提供的基于对抗学习的人脸识别装置的功能模块图；

图3为本发明一实施例提供的实现所述基于对抗学习的人脸识别方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于对抗学习的人脸识别方法。所述基于对抗学习的人脸识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于对抗学习的人脸识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

参照图1所示，为本发明一实施例提供的基于对抗学习的人脸识别方法的流程示意图。在本实施例中，所述基于对抗学习的人脸识别方法包括：

S1、获取原始人脸图像集，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集。

本发明实施例中，所述原始人脸图像集中包含不同身份的对象对应的不同年龄的人脸图像。其中，可以从预先构建的人脸数据库中获取原始人脸图像集。

具体地，所述利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理之前，所述方法还包括：

获取训练样本集和所述训练样本集对应的身份标签和年龄标签；

将所述训练样本集输入至预构建的特征提取模型中，得到预测结果；

计算所述预测结果和预设的真实结果之间的损失值；

若所述损失值大于或者等于预设的损失阈值时，调整所述特征提取模型的模型参数并再次执行将所述训练样本集输入至调整模型参数后的特征提取模型的操作；

当所述损失值小于所述损失阈值时，将所述损失值对应的特征提取模型输出为标准特征提取模型。

详细地，所述训练样本集中包括多个训练样本，每个训练样本包括样本图像及其对应的身份标签和年龄标签。其中，样本图像具体为人脸图像，身份标签用于表征该样本图像中人的身份，在本方案中，所述身份标签可以是人的身份证号、人的姓名或者其他能够区分标识人的信息，所述年龄标签用于表征样本图像中人的年龄，年龄标签可以是具体的数值，例如十八岁，也可以是年龄段，例如青年、中年等等。

具体地，在获取原始人脸图像时，可以针对每一人来爬取其在不同年龄时的多张人脸图像，并对这多张人脸图像均进行身份标注和年龄标注，得到多个训练样本。

进一步地，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集，包括：

对所述原始人脸图像集进行卷积、池化处理，得到特征数据集。

其中，所述标准特征提取模型可以为卷积神经网络(Convolutional NeuralNetwork，CNN)，所述卷积神经网络由一系列的卷积层和池化层连接构成。

详细地，利用所述标准特征提取模型中的卷积层对所述原始人脸图像集进行卷积处理，其中，卷积处理是一种线性运算，对所述原始人脸图像集进行所述卷积处理可以消除噪声、增强特征，使得所述标准特征提取模型能够提取到更丰富的特征信息，弥补产生的内部数据结构丢失，空间层级信息丢失等信息损失。利用所述标准特征提取模型中的池化层对经过卷积处理的图像集进行池化处理，所述池化处理能对经过卷积处理的图像集进行特征选择和信息过滤，通过降低特征的维度在一定程度上避免过拟合，保持旋转、平移、伸缩不变形。

S2、对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子。

本发明实施例中，可以利用预设的残差分解模块(Residual FactorizationModule，RFM)对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，其中，所述残差分解模块用于通过残差网络对所述特征数据集进行线性分解得到身份特征和年龄特征。

具体地，所述对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，包括：

将所述特征数据集输入至预设的残差分解模块中，得到年龄特征因子；

对所述特征数据集和所述年龄特征因子进行差值处理，得到身份特征因子。

详细地，所述残差分解模块中的残差网络主要是通过一个映射函数(R)实现特征因子分解，而残差部分则可以看做身份特征因子。

例如，可以用如下公式进行表述：

X_age＝R(X)

X_id＝x-R(X)

其中，R(X)为映射函数，X_id为身份特征因子，X_age为年龄特征因子。

详细地，对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，通过特征因子分解之后，身份特征因子需要能保持身份信息同时还具有必要的年龄无关性，便于后续进行去相关性对抗学习。

S3、分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量。

本发明实施例中，通过设计一个线性规范化映射模块分别将所述身份特征因子和所述年龄特征因子映射成规范化变量，得到身份规范变量和年龄规范变量。

具体地，所述分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量，包括：

将所述身份特征因子和所述年龄特征因子输入至预设的规范化公式中，得到身份规范变量和年龄规范变量。

详细地，所述规范化公式为：

其中，v_t为规范化变量，t表示身份特征或者年龄特征，x_t为身份特征因子或者年龄特征因子，w表示线性空间，T为固定参数。

进一步地，将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量，有利于减少分解特征之间的相关性。

S4、根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数。

本发明实施例中，所述根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数，包括：

根据如下公式计算所述身份规范变量和所述年龄规范变量之间的相关系数：

其中，ρ为相关系数，v_id为身份规范变量，v_age为年龄规范变量，Cov为协方差，Var为方差。

详细地，通过计算出所述身份规范变量和所述年龄规范变量之间的相关系数，将所述相关系数作为后续去相关学习的基础。

S5、获取身份判别器和年龄判别器，根据所述身份判别器和所述年龄判别器构建对抗模型，并利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型。

本发明实施例中，所述身份判别器用于判别输入用户的身份信息，所述年龄判别器用于判断输入用户的年龄信息。

具体地，所述根据所述身份判别器和所述年龄判别器构建对抗模型，包括：

初始化所述身份判别器和所述年龄判别器的参数；

将初始化后的身份判别器和年龄判别器进行联合，得到对抗模型。

进一步地，所述利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型，包括：

根据所述身份判别器、所述年龄判别器和所述相关系数构建所述对抗模型的目标函数；

分别调整所述对抗模型中所述身份判别器和所述年龄判别器的模型参数，并将预获取的训练数据集输入至所述调整模型参数后的对抗模型中计算对应的目标函数值；

当所述目标函数对应的目标函数值小于或者等于预设阈值时，将对应的对抗模型输出为标准对抗模型。

详细地，所述目标函数包括：

其中，

为目标函数值，ρ为相关系数，

为所述标准特征提取模型，

为所述身份判别器，

为所述年龄判别器。

详细地，分别调整所述身份判别器和所述年龄判别器的模型参数是指固定

在规范相关性最大化过程中训练

另一方面，在特征相关性最小化过程中固定

然后更新

目标是通过始终降低身份特征因子和年龄特征因子之间的最大标准相关性来最小化它们之间的相关性。也就是说，相关性最大的最优特征投影作为去相关的主要目标。因此，身份特征因子和年龄特征因子不断学习，使其相关性很小，最终显著不相关。

S6、获取待识别人脸图像，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，对所述去相关图像进行人脸识别，得到人脸识别结果。

本发明实施例中，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，其中，所述去相关图像中身份特征和年龄特征的相关性极低，在通过人脸识别到身份时受年龄特征影响较低，可以提高后续人脸识别的识别精度，利用人脸识别设备对所述去相关图像进行识别，得到人脸识别结果。

本发明通过对原始人脸图像集进行特征提取，得到特征数据集，将特征数据集分解为身份特征因子和年龄特征因子，并获得身份特征因子和年龄特征因子各自对应的规范变量，基于规范变量可以确定所述身份规范变量和所述年龄规范变量之间的相关系数，利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型，利用该相关系数增加去相关性的约束，基于去相关性的对抗学习使得最终训练得到的对抗模型识别出的身份特征与年龄特征的相关性极低，由于身份特征和年龄特征的相互影响较低，在通过人脸识别到身份时受年龄特征影响较低，从而提高识别精度。将待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，所述去相关图像中身份特征与年龄特征的相关性接近于无，对所述去相关图像进行人脸识别，得到人脸识别结果，得到人脸识别结果将该对抗模型应用于人脸识别，由于能够准确分解出身份特征和年龄特征，因此，能够排除年龄干扰，提高人脸识别的准确率。因此本发明提出的基于对抗学习的人脸识别方法可以解决人脸识别准确率较低的问题。

如图2所示，是本发明一实施例提供的基于对抗学习的人脸识别装置的功能模块图。

本发明所述基于对抗学习的人脸识别装置100可以安装于电子设备中。根据实现的功能，所述基于对抗学习的人脸识别装置100可以包括数据处理模块101、相关系数计算模块102、模型训练模块103及人脸识别模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述数据处理模块101，用于获取原始人脸图像集，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集，对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量；

所述相关系数计算模块102，用于根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数；

所述模型训练模块103，用于获取身份判别器和年龄判别器，根据所述身份判别器和所述年龄判别器构建对抗模型，并利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型；

所述人脸识别模块104，用于获取待识别人脸图像，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，对所述去相关图像进行人脸识别，得到人脸识别结果。

详细地，所述基于对抗学习的人脸识别装置100各模块的具体实施方式如下：

步骤一、获取原始人脸图像集，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集。

本发明实施例中，所述原始人脸图像集中包含不同身份的对象对应的不同年龄的人脸图像。其中，可以从预先构建的人脸数据库中获取原始人脸图像集。

具体地，所述利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理之前，还包括以下步骤：

获取训练样本集和所述训练样本集对应的身份标签和年龄标签；

将所述训练样本集输入至预构建的特征提取模型中，得到预测结果；

计算所述预测结果和预设的真实结果之间的损失值；

若所述损失值大于或者等于预设的损失阈值时，调整所述特征提取模型的模型参数并再次执行将所述训练样本集输入至调整模型参数后的特征提取模型的操作；

当所述损失值小于所述损失阈值时，将所述损失值对应的特征提取模型输出为标准特征提取模型。

详细地，所述训练样本集中包括多个训练样本，每个训练样本包括样本图像及其对应的身份标签和年龄标签。其中，样本图像具体为人脸图像，身份标签用于表征该样本图像中人的身份，在本方案中，所述身份标签可以是人的身份证号、人的姓名或者其他能够区分标识人的信息，所述年龄标签用于表征样本图像中人的年龄，年龄标签可以是具体的数值，例如十八岁，也可以是年龄段，例如青年、中年等等。

具体地，在获取原始人脸图像时，可以针对每一人来爬取其在不同年龄时的多张人脸图像，并对这多张人脸图像均进行身份标注和年龄标注，得到多个训练样本。

进一步地，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集，包括：

对所述原始人脸图像集进行卷积、池化处理，得到特征数据集。

其中，所述标准特征提取模型可以为卷积神经网络(Convolutional NeuralNetwork，CNN)，所述卷积神经网络由一系列的卷积层和池化层连接构成。

详细地，利用所述标准特征提取模型中的卷积层对所述原始人脸图像集进行卷积处理，其中，卷积处理是一种线性运算，对所述原始人脸图像集进行所述卷积处理可以消除噪声、增强特征，使得所述标准特征提取模型能够提取到更丰富的特征信息，弥补产生的内部数据结构丢失，空间层级信息丢失等信息损失。利用所述标准特征提取模型中的池化层对经过卷积处理的图像集进行池化处理，所述池化处理能对经过卷积处理的图像集进行特征选择和信息过滤，通过降低特征的维度在一定程度上避免过拟合，保持旋转、平移、伸缩不变形。

步骤二、对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子。

本发明实施例中，可以利用预设的残差分解模块(Residual FactorizationModule，RFM)对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，其中，所述残差分解模块用于通过残差网络对所述特征数据集进行线性分解得到身份特征和年龄特征。

具体地，所述对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，包括：

将所述特征数据集输入至预设的残差分解模块中，得到年龄特征因子；

对所述特征数据集和所述年龄特征因子进行差值处理，得到身份特征因子。

详细地，所述残差分解模块中的残差网络主要是通过一个映射函数(R)实现特征因子分解，而残差部分则可以看做身份特征因子。

例如，可以用如下公式进行表述：

X_age＝R(X)

X_id＝x-R(X)

其中，R(X)为映射函数，X_id为身份特征因子，X_age为年龄特征因子。

详细地，对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，通过特征因子分解之后，身份特征因子需要能保持身份信息同时还具有必要的年龄无关性，便于后续进行去相关性对抗学习。

步骤三、分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量。

本发明实施例中，通过设计一个线性规范化映射模块分别将所述身份特征因子和所述年龄特征因子映射成规范化变量，得到身份规范变量和年龄规范变量。

具体地，所述分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量，包括：

将所述身份特征因子和所述年龄特征因子输入至预设的规范化公式中，得到身份规范变量和年龄规范变量。

详细地，所述规范化公式为：

其中，v_t为规范化变量，t表示身份特征或者年龄特征，x_t为身份特征因子或者年龄特征因子，w表示线性空间，T为固定参数。

进一步地，将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量，有利于减少分解特征之间的相关性。

步骤四、根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数。

本发明实施例中，所述根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数，包括：

根据如下公式计算所述身份规范变量和所述年龄规范变量之间的相关系数：

其中，ρ为相关系数，v_id为身份规范变量，v_age为年龄规范变量，Cov为协方差，Var为方差。

详细地，通过计算出所述身份规范变量和所述年龄规范变量之间的相关系数，将所述相关系数作为后续去相关学习的基础。

步骤五、获取身份判别器和年龄判别器，根据所述身份判别器和所述年龄判别器构建对抗模型，并利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型。

本发明实施例中，所述身份判别器用于判别输入用户的身份信息，所述年龄判别器用于判断输入用户的年龄信息。

具体地，所述根据所述身份判别器和所述年龄判别器构建对抗模型，包括：

初始化所述身份判别器和所述年龄判别器的参数；

将初始化后的身份判别器和年龄判别器进行联合，得到对抗模型。

进一步地，所述利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型，包括：

根据所述身份判别器、所述年龄判别器和所述相关系数构建所述对抗模型的目标函数；

分别调整所述对抗模型中所述身份判别器和所述年龄判别器的模型参数，并将预获取的训练数据集输入至所述调整模型参数后的对抗模型中计算对应的目标函数值；

当所述目标函数对应的目标函数值小于或者等于预设阈值时，将对应的对抗模型输出为标准对抗模型。

详细地，所述目标函数包括：

其中，

为目标函数值，ρ为相关系数，

为所述标准特征提取模型，

为所述身份判别器，

为所述年龄判别器。

详细地，分别调整所述身份判别器和所述年龄判别器的模型参数是指固定

在规范相关性最大化过程中训练

另一方面，在特征相关性最小化过程中固定

然后更新

目标是通过始终降低身份特征因子和年龄特征因子之间的最大标准相关性来最小化它们之间的相关性。也就是说，相关性最大的最优特征投影作为去相关的主要目标。因此，身份特征因子和年龄特征因子不断学习，使其相关性很小，最终显著不相关。

步骤六、获取待识别人脸图像，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，对所述去相关图像进行人脸识别，得到人脸识别结果。

本发明实施例中，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，其中，所述去相关图像中身份特征和年龄特征的相关性极低，在通过人脸识别到身份时受年龄特征影响较低，可以提高后续人脸识别的识别精度，利用人脸识别设备对所述去相关图像进行识别，得到人脸识别结果。

本发明通过对原始人脸图像集进行特征提取，得到特征数据集，将特征数据集分解为身份特征因子和年龄特征因子，并获得身份特征因子和年龄特征因子各自对应的规范变量，基于规范变量可以确定所述身份规范变量和所述年龄规范变量之间的相关系数，利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型，利用该相关系数增加去相关性的约束，基于去相关性的对抗学习使得最终训练得到的对抗模型识别出的身份特征与年龄特征的相关性极低，由于身份特征和年龄特征的相互影响较低，在通过人脸识别到身份时受年龄特征影响较低，从而提高识别精度。将待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，所述去相关图像中身份特征与年龄特征的相关性接近于无，对所述去相关图像进行人脸识别，得到人脸识别结果，得到人脸识别结果将该对抗模型应用于人脸识别，由于能够准确分解出身份特征和年龄特征，因此，能够排除年龄干扰，提高人脸识别的准确率。因此本发明提出的基于对抗学习的人脸识别装置可以解决人脸识别准确率较低的问题。

如图3所示，是本发明一实施例提供的实现基于对抗学习的人脸识别方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于对抗学习的人脸识别程序。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于对抗学习的人脸识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于对抗学习的人脸识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于对抗学习的人脸识别程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取原始人脸图像集，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集；

对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子；

分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量；

根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数；

获取身份判别器和年龄判别器，根据所述身份判别器和所述年龄判别器构建对抗模型，并利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型；

获取待识别人脸图像，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，对所述去相关图像进行人脸识别，得到人脸识别结果。

具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取原始人脸图像集，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集；

对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子；

分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量；

根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数；

获取身份判别器和年龄判别器，根据所述身份判别器和所述年龄判别器构建对抗模型，并利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型；

获取待识别人脸图像，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，对所述去相关图像进行人脸识别，得到人脸识别结果。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于对抗学习的人脸识别方法，其特征在于，所述方法包括：

获取原始人脸图像集，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集；

对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子；

分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量；

根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数；

获取身份判别器和年龄判别器，根据所述身份判别器和所述年龄判别器构建对抗模型，并利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型；

获取待识别人脸图像，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，对所述去相关图像进行人脸识别，得到人脸识别结果。

2.如权利要求1所述的基于对抗学习的人脸识别方法，其特征在于，所述利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型，包括：

根据所述身份判别器、所述年龄判别器和所述相关系数构建所述对抗模型的目标函数；

分别调整所述对抗模型中所述身份判别器和所述年龄判别器的模型参数，并将预获取的训练数据集输入至所述调整模型参数后的对抗模型中计算对应的目标函数值；

当所述目标函数对应的目标函数值小于或者等于预设阈值时，将对应的对抗模型输出为标准对抗模型。

3.如权利要求2所述的基于对抗学习的人脸识别方法，其特征在于，所述目标函数包括：

其中，

为目标函数值，ρ为相关系数，

为所述标准特征提取模型，

为所述身份判别器，

为所述年龄判别器。

4.如权利要求1所述的基于对抗学习的人脸识别方法，其特征在于，所述根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数，包括：

根据如下公式计算所述身份规范变量和所述年龄规范变量之间的相关系数：

其中，ρ为相关系数，v_id为身份规范变量，v_age为年龄规范变量，Cov为协方差，Var为方差。

5.如权利要求1所述的基于对抗学习的人脸识别方法，其特征在于，所述对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，包括：

将所述特征数据集输入至预设的残差分解模块中，得到年龄特征因子；

对所述特征数据集和所述年龄特征因子进行差值处理，得到身份特征因子。

6.如权利要求1所述的基于对抗学习的人脸识别方法，其特征在于，所述利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理之前，所述方法还包括：

获取训练样本集和所述训练样本集对应的身份标签和年龄标签；

将所述训练样本集输入至预构建的特征提取模型中，得到预测结果；

计算所述预测结果和预设的真实结果之间的损失值；

若所述损失值大于或者等于预设的损失阈值时，调整所述特征提取模型的模型参数并再次执行将所述训练样本集输入至调整模型参数后的特征提取模型的操作；

当所述损失值小于所述损失阈值时，将所述损失值对应的特征提取模型输出为标准特征提取模型。

7.如权利要求1所述的基于对抗学习的人脸识别方法，其特征在于，所述获取待识别人脸图像，包括：

接收应用软件登录指令，启动摄像头获取待识别人脸图像。

8.一种基于对抗学习的人脸识别装置，其特征在于，所述装置包括：

数据处理模块，用于获取原始人脸图像集，利用预训练好的标准特征提取模型对所述原始人脸图像集进行特征提取处理，得到特征数据集，对所述特征数据集进行特征因子分解，得到身份特征因子和年龄特征因子，分别将所述身份特征因子和所述年龄特征因子映射为身份规范变量和年龄规范变量；

相关系数计算模块，用于根据预设的相关性公式计算所述身份规范变量和所述年龄规范变量之间的相关系数；

模型训练模块，用于获取身份判别器和年龄判别器，根据所述身份判别器和所述年龄判别器构建对抗模型，并利用所述相关系数对所述对抗模型进行去相关性训练，得到训练好的标准对抗模型；

人脸识别模块，用于获取待识别人脸图像，将所述待识别人脸图像输入至所述标准对抗模型中，得到去相关图像，对所述去相关图像进行人脸识别，得到人脸识别结果。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于对抗学习的人脸识别方法。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于对抗学习的人脸识别方法。

Images